TL;DR：7 月 23 日，2026 年菲尔兹奖揭晓。王宏和邓宇——均为北京大学校友——成为同年首位获得该奖的中国公民。但这不是一篇新闻稿，而是一场“偷窃”。这四位数学家的论文里藏着四种思考方式，你可以直接拿去使用。

不重要的部分

谁获奖、在哪所机构、年龄几何——媒体早已报道。这里只给出摘要：

获奖者 机构 核心贡献
王宏 纽约大学柯朗研究所 三维 Kakeya 猜想（百年老问题）
邓宇 芝加哥大学 希尔伯特第六问题突破
Jacob Tsimerman 多伦多大学 André-Oort 猜想
John Pardon 石溪大学 三维 Hilbert-Smith 猜想

我真正关心的是：这四人的论文包含四种心智模型。这些模型同样适用于 AI 工程、写作和产品决策。

这不是“零基础数学”，而是“方法论偷窃”。

王宏：用三个词——多尺度分析——解决百年难题

Kakeya 猜想是什么？一句话：在三维空间里，取一条单位线段，旋转 180°，它扫过的体积最小值是多少？答案是零。

二维情形已在 1917 年解决——面积可趋近于零。但三维呢？一个多世纪悬而未决。直觉认为三维 Kakeya 集的维数应为 3，却缺乏严格证明。

2025 年，王宏与 Joshua Zahl 发表 127 页论文，含 14 张图，严格证明：在三维空间中，包含所有方向单位线段的集合，其 Minkowski 维数和 Hausdorff 维数均为 3。

核心方法，用他们自己的话来说：多尺度分析。

你不必一次性搞清楚所有管子在三维空间的排布，而是把问题拆成不同尺度。粗尺度：分布模式——哪些方向会聚在一个凸集内？细尺度：局部密度——若管子在某区域密集堆积，体积贡献是多少？两个尺度分别处理，再用组合估计拼接。

具体地，他们证明：若 δ-管在三维中无法过多塞进同一凸集，则它们的并集必然接近最大体积。这个看似狭窄的中间结果，恰恰足以推出完整的 Kakeya 猜想。

其影响远超纯数学。CT/MRI 重建算法依赖傅里叶分析——Kakeya 猜想的精确领域。MIMO 天线波束成形和雷达方向估计也直接受益。

但你真正应该记住的是方法：面对复杂问题，先粗后细。

不要试图一次性解决“如何让博客流量翻倍”。先在粗尺度分类：工具评测的阅读量是行业分析的 3–10 倍，95% 以上爆款来自推荐；再在每个类别内细化：如何用数字写标题、封面风格如何、什么时间发布。拆分尺度后，问题就变得可解。

邓宇：用四年搭建微观到宏观的桥梁

先打个比方。

神经网络的训练规则极其简单——梯度下降，每次把万亿参数挪动极小量。这个微观规则枯燥到荒谬，但训练后，模型突然会推理、写代码、改文章。盯着那万亿参数，你看不到任何智能藏在其中。

这本质上正是邓宇在波湍流理论中研究的同一问题。

2023 年，邓宇与合作者 Zaher Hani 发表 138 页论文，含 44 张图。他们从立方非线性 Schrödinger 方程（描述光纤中光传播、海洋波浪）出发，在尺度极限下严格导出波动力学方程。

设定：在边长为 L 的大盒子里，波相互作用极弱（参数 α）。当 L → ∞、α → 0，且 α ~ L⁻¹ 时，系统的长时间统计行为完全由波动力学方程描述，有效直到动力学时间尺度 T ~ α⁻²。

翻译：无数简单波，每个遵守同一微观规则 → 给定足够时间 → 可预测的宏观统计规律自动涌现。

该框架直接影响等离子体物理（聚变激光-等离子体相互作用模拟）、大气非线性波建模（天气预报）和海洋学（长时间海流演化）。

邓宇还与 Hani 和马潇合作，另一方向取得突破：从硬球动力学出发，在远超以往定理的时间尺度上严格导出 Boltzmann 方程。这推进了希尔伯特第六问题（物理公理化，1900 年提出）的核心。

对你而言，记住：微观规则 × 长时间 × 众多粒子 = 可预测的宏观规律。

这不只是数学。每天写一篇文章看似微观行为，100 篇之后，宏观模式自然浮现——哪些标题吸流、哪些话题爆款、算法喜欢什么开头。

相信复利，不要走捷径。这不是鸡汤——邓宇用 138 页数学证明了它。

Tsimerman：论文被撤稿后仍获菲尔兹奖

Tsimerman 的 André-Oort 猜想论文 v2 有一段我反复阅读的注释：

“前一版本（v2）声称证明一般情形，但存在严重错误，经 Klingler、Ullmo 和 Yafaev 指出。因此文章将被撤回……”

翻译：前一版本有严重错误，被撤稿。

没错。一位菲尔兹奖得主的论文曾出现“严重错误”，被同行指出并撤回。随后他修正后重新提交，并凭该工作获得数学最高荣誉。

这不只是“聪明”。方法更重要。

Tsimerman 证明了 A_g 的 André-Oort 猜想——一个关于高维模空间中椭圆曲线“特殊点”（CM 点）分布的核心问题。椭圆曲线是现代密码学基础，这些特殊点的分布直接影响某些后量子密码方案的安全性。

但他获奖的真正原因不是结论，而是他组装的工具。他将三个看似完全无关的领域拼接在一起：

  1. 解析数论：数域类群 Galois 轨道下界
  2. 模型论：o-极小结构控制特殊点的拓扑行为
  3. 代数几何：Shimura 簇理论描述模空间几何结构

单一领域的工具不够，组合后恰恰足够。

他与 Bakker 等人利用 o-极小框架进一步发展 GAGA 理论，解决了关于周期映射像的 Griffiths 猜想——在模型论与 Hodge 理论之间搭建新桥梁。

这正是当下 AI 的状态。下一场突破大概率不是“更好的 Transformer”，而是将代数拓扑嫁接到神经网络架构，或用波湍流理论重新描述训练动态。

Tsimerman 教给你两件事：

  1. 撤稿不可耻。修正后重新提交。
  2. 不要只在最擅长的领域死磕。真正的突破在交叉口。

Pardon：整篇论文只做一件事——找到正确窗口

Pardon 证明了三维 Hilbert-Smith 猜想。24 页。

问题：在三维空间中，哪种对称可以“存在”？p-adic 整数 Z_p 可以吗？Pardon 的回答：不可以。

他后来在辛几何领域做出更多贡献——虚基本链、缠绕 Fukaya 范畴的局部化、Calabi-Yau 三重曲面上的曲线计数（MNOP 猜想）。这些工作已成为拓扑量子纠错码的数学基础——量子计算机尚未建成，但其纠错已在他的基础上构建。

但最让我着迷的是他在 Hilbert-Smith 论文中的一个方法论短语：“Approach is local on M.”

整个证明无需理解三维流形的所有几何性质。他只需在流形 M 上找到一个 Z_p 不变的开集 U，在 U 内定位一个不可压缩曲面 F，分析 Z_p 作用于 F 的同伦类所诱导的映射类群同态——矛盾就出现了。

不要扫描全景。找一个窗口。窗口内的信息足以推出全局结论。

这可以直接使用。

你想分析 55 篇 AICDragon 文章的数据以确定什么决定阅读量。你可以对全部文章做统计——但那是在自找麻烦。只需挑三篇：阅读量最高、最低和中位数。它们之间的差异已包含大部分模式。

你想调试编码损坏。不需要追踪 OpenClaw 的完整代码路径。只需查看一个文件的前 4 字节——E9 94 98 3F——这是 UTF-8 BOM 经 GBK 解码后的结果。根因已锁定，无需全局调查。

Pardon 的教训：不是信息越多越好，而是正确窗口内的正确信息。

那么这些论文与 AI 有什么关系？

不是“这条公式可以优化 Transformer”。

而是思考方式。

你日常做的每一件事——选题、写作、调试、数据分析、产品决策——都具有数学级别的复杂度。唯一的区别是你尚未察觉。

王宏说：多尺度思维，先粗后细。
邓宇说：微观规则 × 足够时间 = 宏观规律。相信复利，不要走捷径。
Tsimerman 说：不要只在一个领域死磕。真正的突破在交叉口。撤稿不可耻——修正后发布。
Pardon 说：不要试图理解一切。找到正确窗口。

这四种方法论不是数学家的专利，而是任何需要持续思考和迭代的人的武器。

包括你。

参考文献